国土资源遥感, 2019, 31(3): 242-249 doi: 10.6046/gtzyyg.2019.03.30

技术应用

基于MODIS数据的淤泥质海岸水体指数比较与分析——以黄河三角洲海岸为例

吴佳平1, 张旸,1, 张杰2, 范胜龙1, 杨超1, 张小芳1

1. 福建农林大学资源与环境学院,福州 350002

2. 江西省科学院鄱阳湖研究中心,南昌 330096

Comparison and analysis of water indexes in muddy coasts based on MODIS data: A case study of the Yellow River Delta coast

WU Jiaping1, ZHANG Yang,1, ZHANG Jie2, FAN Shenglong1, YANG Chao1, ZHANG Xiaofang1

1. College of Resources and Environment, Fujian Agriculture and Forestry University, Fuzhou 350002, China

2. Poyang Lake Research Center, Jiangxi Academy of Sciences, Nanchang 330096, China

通讯作者: 张 旸(1975-),男,博士,讲师,主要从事地理信息科学研究。Email:zhangyang2907@163.com。

责任编辑: 张仙

收稿日期: 2018-07-23   修回日期: 2018-11-21   网络出版日期: 2019-09-15

基金资助: 国家自然科学基金项目“鄱阳湖洲滩湿地植物功能群动态过程识别及驱动机制研究”.  41661019
“从矿山型棕地到绿色空间: 驱动机制、效益与模式”共同资助.  41871208

Received: 2018-07-23   Revised: 2018-11-21   Online: 2019-09-15

作者简介 About authors

吴佳平(1991-),男,硕士研究生,主要从事海岸带遥感应用研究。Email:732446002@qq.com.。 。

摘要

淤泥质海岸地区具有独特且复杂的水体环境,深入分析水体指数在该区域的性能特点具有重要的科学意义。以黄河三角洲海岸为研究区,使用2008年、2009年和2015年的MODIS和Landsat遥感数据,从地表覆盖类型光谱特征的角度,比较分析6种水体指数(即NDWI,MNDWI,AWEInsh,AWEIsh,TCW和WI2015)的水体提取性能。通过ROC曲线得到各水体指数的最佳阈值,研究水体指数在淤泥质海岸地区的水体提取精度和提取误差,分析不同地表覆盖因素对水体提取性能的影响。研究结果表明,AWEInsh的水体提取效果最佳,总体精度达97.29%,制图精度达96.84%,用户精度达97.69%。各水体指数提取海水的制图精度较高,均高于90%; 陆地水体的提取效果一般,制图精度均低于80%; NDWI对潮滩水的识别能力较差,制图精度低于其他水体指数。各水体指数的陆地水体漏分率较高,海水和潮滩水体的漏分率较低,MNDWI的海水漏分率高于其他水体指数。潮滩土壤对水体提取性能的影响最大,其次为耕地土壤,稀疏植被、茂盛植被和建成区的影响最小。研究结果可为进一步开展淤泥质海岸水体变化监测与分析提供参考依据。

关键词： MODIS ; 水体指数 ; ROC曲线 ; 精度评估 ; 黄河三角洲海岸

Abstract

Muddy coastal areas have a unique and complex water environment. It is of great scientific significance to deeply analyze the water extraction efficiency of water index in this area. The authors took the Yellow River Delta coast as the study area and used the MODIS and Landsat remote sensing data of 2008, 2009 and 2015. The water extraction performance of 6 water index (NDWI, MNDWI, AWEInsh, AWEIsh, TCW, WI2015) were analyzed from spectral characteristics of land cover types. The best threshold of each water index was obtained through the ROC curve. The accuracy and extraction errors of water indexes in muddy coastal area were studied, and the influence of different land cover factors on water extraction was analyzed. The results show that the AWEInsh have the best performance in extraction of water, with an overall accuracy of 97.29%, mapping accuracy of 96.84%, and user accuracy of 97.69%. The accuracy of seawater extraction by different water indexes is higher than 90%. The extraction accuracy of land water is at general level and the map precision is less than 80%. The capability of NDWI for identifying tidal flat water is poor, and the accuracy of mapping is lower than that of other water indexes. The different water indexes have high omission error of land water, and the omission errors of seawater and tidal flat water are low. The MNDWI has the highest omission error of seawater. The influence of the tidal flat soil on the water extraction is the greatest, followed by the cultivated soil. The sparse vegetation, luxuriant vegetation, and built-up area have the least impact. This study provides a reference for the further development of water extraction methods suitable for muddy coastal areas.

Keywords： MODIS ; water index ; ROC ; accuracy evaluation ; Yellow River Delta coast

PDF (3355KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

吴佳平, 张旸, 张杰, 范胜龙, 杨超, 张小芳. 基于MODIS数据的淤泥质海岸水体指数比较与分析——以黄河三角洲海岸为例. 国土资源遥感[J], 2019, 31(3): 242-249 doi:10.6046/gtzyyg.2019.03.30

WU Jiaping, ZHANG Yang, ZHANG Jie, FAN Shenglong, YANG Chao, ZHANG Xiaofang. Comparison and analysis of water indexes in muddy coasts based on MODIS data: A case study of the Yellow River Delta coast. REMOTE SENSING FOR LAND & RESOURCES[J], 2019, 31(3): 242-249 doi:10.6046/gtzyyg.2019.03.30

0 引言

卫星遥感已经广泛地应用于地表水体信息提取、监测和水环境评估[1]。利用遥感数据构建水体指数是一种常见的地表水体信息提取方法[2]。Crist[3]通过建立变换矩阵,利用TM影像6个波段的反射率数据开发了缨帽湿度分量(tasseled cap wetness,TCW),用于地表水体提取; McFeeters[4]基于归一化植被指数(normalized difference vegetation index,NDVI)的构建思想,提出了归一化水体指数(normalized difference water index,NDWI); 徐涵秋[5]在NDWI的基础上,利用中红外波段代替近红外波段,提出了改进型水体指数(modified NDWI,MNDWI),更有效地区分水体与建筑物; Feyisa等[6]提出了水体自动提取指数(automated water extraction index with no shadow,AWEInsh; automated water extraction index with shadow,AWEIsh),AWEInsh适用于没有阴影的影像数据,AWEIsh能有效消除建筑物和地形阴影对水体提取的影响; Fisher等[7]利用Landsat数据构建了水体指数(water index 2015,WI2015),并比较了该指数与其他5种指数的水体提取效果,得出WI2015的水体提取效果最佳; Sharma等[8]利用MODIS数据提出了适用于全球水体提取的水体指数(superfine water index,SWI),能有效消除冰雪对水体提取的影响; 莫伟华等[9]通过研究MODIS数据的波段特点,分析不同地物的反射率特征,结合NDVI提出了混合水体指数模型(combined index of NDVI and NIR for water body identification,CIWI)。

国内外学者已应用水体指数提取各类地表水体,如Hui等[10]利用NDWI和MNDWI提取鄱阳湖水体,研究水体的时空变化; Li等[11]使用Landsat TM,ETM+和ALI数据提取长江水体,比较不同数据之间提取水体的准确性; 廖程浩等[12]应用MODIS数据,分析不同水体指数的水体识别效果,发现CIWI的水体识别效果最为理想; 车向红等[13]采用综合多种水体指数的方法,提取青藏高原湖泊水体,监测青藏高原湖泊水体的面积变化; 王净等[14]以太湖流域为研究区,比较5种水体指数的水体识别能力,结果表明CIWI的水体识别能力最优。

受海洋、河流等多种水动力因素的影响,淤泥质海岸水体变化的复杂性远高于内陆,因此大多数水体指数研究均避开该区域。此外,由于空间分辨率的限制,大多数水体指数都是基于Landsat数据开发,而基于MODIS数据的水体指数研究较少,但是对于淤泥质海岸水体的高度动态特性而言,MODIS的高时间分辨率又具有很强的吸引力。因此,在基于MODIS数据的淤泥质海岸水体指数及其性能特点方面,亟需开展深入研究。本文以典型的淤泥质海岸地区——黄河三角洲海岸为研究区,使用MODIS数据,分析不同地表覆盖类型的光谱特征,对比研究NDWI,MNDWI,AWEInsh,AWEIsh,TCW和WI2015这6种水体指数的水体提取精度和提取误差,分析地表覆盖因素对水体指数的水体提取性能的影响,为进一步开展淤泥质海岸水体变化监测与研究提供参考依据。

1 研究区概况及数据源

1.1 研究区概况

本文研究区为现代黄河三角洲海岸,西北至潮河口,东南到小清河口(图1)。黄河流经黄土高原所携带的大量泥沙,由于其下游和河口地段地形变缓,在沉积作用下形成了黄河冲积扇平原[15]。历史上,黄河河口尾闾经过多次改道, 最终发育形成了现代黄河三角洲[16]。该区域经过了150余a的自然发育和人类的填海造陆活动,成为了我国最大的新增大陆。在海洋和河流动力的双重影响下,三角洲海岸环境变化剧烈[17],并形成独特的潮汐特征[18]。区内植被结构简单,类型较为单一,人工湿地面积逐年增多[19]。土地利用/覆盖类型以旱地和未利用地为主,受人类活动影响较大,不同类型之间相互转化频繁[20]。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区位置

(2009年5月3日Landsat TM B5(R),B4(G), B3(B)合成影像)

Fig.1   Location of the study area


1.2 数据源及预处理

MODIS是美国地球观测系统(earth observation system,EOS)用于地球整体观测的卫星传感器,MODIS数据具有高时间分辨率、高光谱分辨率和覆盖范围广的特点[21]。MOD09地表反射率数据由MODIS L1B数据经过大气校正获得(https: //ladsweb.modaps.eosdis.nasa.gov)。该数据集包含了3种空间分辨率的反射率数据,即空间分辨率为250 m(B1—B2),500 m(B1—B7)和1 km(B1—B16)的每日反射率数据[22]。本文应用MRT swath(MODIS reprojection tool swath)软件对MOD09数据集进行几何纠正和格式转换,提取空间分辨率为500 m的反射率数据。

以Landsat数据作为验证数据源(https: //earthexplorer.usgs.gov),其成像时间与MODIS/Terra最为接近,可以最大限度地保持研究数据与验证数据之间的一致性。研究选取两者的成像时间差小于20 min的数据(表1)。

表1   研究使用的遥感数据

Tab.1  Description of remote sensing data used in the study

传感器Landsat影像MODIS影像
成像时间轨道号传感器成像时间轨道号
Landsat5 TM20081007T02: 26121/34MODIS/Terra20081007T02: 10h27v05
Landsat5 TM20090503T02: 29121/34MODIS/Terra20090503T02: 10h27v05
Landsat5 TM20090519T02: 29121/34MODIS/Terra20090519T02: 10h27v05
Landsat5 TM20090604T02: 29121/34MODIS/Terra20090604T02: 10h27v05
Landsat7 ETM+20150325T02: 40121/34MODIS/Terra20150325T02: 55h27v05

新窗口打开| 下载CSV


2 研究方法

2.1 样本分类与训练样本选择

1)样本分类。基于黄河三角洲海岸地表覆盖类型分布情况[19],将样本划分为水体和非水体2大类。淤泥质海岸地区的不同水体受水深、含沙量等因素的影响,各类水体的反射率存在差异[23]。将水体分为海水(海岸线向海延伸15 km范围内的水域)、潮滩水体(潮滩表面水体)和陆地水体(包括水库、养殖水面、水塘、河流等)。将非水体像元划分为建成区和非建成区; 其中,非建成区划分为土壤(NDVI<0.2)、稀疏植被(0.2≤NDVI<0.5)和茂盛植被(NDVI≥0.5) [7]; 土壤进一步划分为潮滩土壤和耕地土壤2类。

2)训练样本选择。根据影像的纹理、形状和区域特征等标志人工解译出每一期影像的海岸线,以海岸线15 km范围作样本选取区。使用ArcGIS10.2软件将MODIS数据转化为格网(500 m×500 m)矢量数据,以Landsat B5(R),B4(G),B3(B)合成影像作为参考影像,解译出样本选取区和城市集中区的所有地表覆盖类型。利用ArcGIS软件中的创建随机点工具,分别随机抽取4 000个水体像元和3 000个非水体像元作为训练样本(表2)。

表2   各种地表覆盖类型的样本数分布

Tab.2  Distribution of sample numbers of various land cover types

MODIS影像成像时间海水潮滩水体陆地水体潮滩土壤耕地土壤稀疏植被茂盛植被建成区
20081007T02: 103 4801084124681091 429707287
20090503T02: 103 4021064927831 764350418
20090519T02: 103 422555238481 12147014547
20090604T02: 103 492414671 062498537301602
20150325T02: 553 4081714216481 70100651

新窗口打开| 下载CSV


2.2 水体指数的计算

本文基于MODIS数据计算6种基于Landsat反射率数据构建的水体指数,即TCW,NDWI,MNDWI,AWEInsh,AWEIsh和WI2015。这6种水体指数适用于多种水体(包括海水、河流、湖泊等)不同环境下(包括地形阴影、建筑物、云量等)的水体提取。根据Landsat和MODIS影像各波段的波长信息,得出MODIS数据水体指数的计算公式(表3),利用ENVI5.2软件中的Band Math工具计算水体指数。

表3   水体指数计算公式

Tab.3  Calculation formulas of water indexes

水体指数来源公式
TCWCrist[3]0.031 5B3+0.202 1B4+0.310 2B1+
0.159 4B2-0.680 6B6-0.610 9B7
NDWIMcFeeters[4](B4-B2)/(B4+B2)
MNDWI徐涵秋[5](B4-B6)/(B4+B6)
AWEInshFeyisa等[6]4(B4-B6)-(0.25B2+2.75B7)
AWEIshFeyisa等[6] B3+2.5B4-1.5(B2+B6)-0.25B7
WI2015Fisher等[7]1.720 4+171B4+3B1-70B2-45B6-71B7

注: B1—B7分别为MODIS B1—B7波段的反射率。

新窗口打开| 下载CSV


2.3 精度评估方法

接受者操作特征曲线(receiver operating characteristics curve,ROC)用于衡量二分类问题的分类精度,表示某个阈值区间内真正率(true positive rate,TPR)和假正率(false positive rate,FPR)的一一对应关系。当TPR达到最大值且FPR为最小值时取得最佳阈值。计算公式为

TPR=TP/(TP+FN) ,
FPR=FP/(TN+FP) ,

式中: TPR为真正率,即水体的正确率; FPR为假正率,即水体指数将非水体错分为水体的概率; TP为真正类的数量,即水体的正确分类数; TN为真负类的数量,即非水体的正确分类数; FP为假正类的数量,即非水体错分为水体的数量; FN为假负类的数量,即水体错分为非水体的数量。ROC曲线下的面积(area under the ROC curve,AUC)用于衡量分类器的优劣,通常AUC的值介于[0.5,1],值越大表明分类器越好[24]。

R语言的pROC程序包可绘制ROC曲线,并能自动统计出AUC值和最佳阈值[25]。图2为2008年、2009年和2015年各水体指数的ROC曲线。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   不同水体指数的ROC曲线

Fig.2   ROC curves of different water indexes


从图2中可见,水体指数在不同成像时间具有不同的最佳阈值、敏感性和特异性。2009年各水体指数之间的差异最明显,2008年各水体指数差异较明显,2015年各水体指数之间差异不大。通过最佳阈值统计每个成像时间各水体指数的总体精度(样本的正确分类数/样本总数)、制图精度(即TPR)、用户精度(水体的正确分类数/水体分类总数)、Kappa系数、错分误差(非水体样本错分为水体的数量/水体分类总数)和漏分误差(水体样本漏分的数量/水体分类总数),然后统计各水体指数的平均提取精度及平均提取误差。

3 结果与分析

3.1 潮滩区光谱特征分析

潮滩区的主要地表覆盖类型为水体、土壤和植被,本文通过各类型样本的反射率分析其光谱特征(图3(a))。在可见光波段,潮滩水体受水体含沙量的影响[26],从蓝光到红光的反射率略有增强; 在近红外和短波红外波段的反射率逐渐下降。潮滩土壤的反射率从可见光到短波红外2波段缓慢增强,短波红外3波段转为下降; 该分布特征主要与潮滩土壤的含水量状态有关[27]。潮滩植被多为稀疏植被,泥土对植被的光谱影响较大[28],因此其在红光的反射率略高于绿光; 从红光到近红外的反射率陡增,形成反射峰; 短波红外1波段之后逐渐下降。通过反射率箱线图和t检验方法分析潮滩水体与土壤、植被的波段差异性,如图3,其中×表示均值。可见光波段(图3(b)—(d))中,潮滩水体与土壤在绿光波段的差异不显著(t=1.4,p=0.17),在蓝光和红光波段的差异显著(t =15.8和14.7,p<0.001); 潮滩水体与植被的差异显著且稍大(t∈[19.7,29.2],p<0.001)。在近红外波段(图3(e)),潮滩水体与土壤、植被的反射率差异显著且较

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   潮滩区MODIS地表反射率特征(×表示均值)

Fig.3   Surface reflectance characteristics of MODIS in the tidal flats


大(t = 35.1和45.9,p<0.001)。在短波红外波段(图3(f)—(h)),潮滩水体与土壤、植被的反射率差异显著且均大于其他波段(t∈[52.2,87.3],p<0.001)。总体来看,短波红外波段对潮滩水体与土壤、植被的区分度最佳,近红外波段次之,蓝光和红光波段一般,绿光波段最差。

3.2 水体提取精度分析

通过统计水体指数的平均水体提取精度(表4),可以更好地反映各水体指数的提取效果。

表4   各水体指数的平均水体提取精度

Tab.4  The average water extraction accuracies of different water indexes

水体
指数		AUC/%FPR/%Kappa
系数		总体精
度/%		制图精
度/%		用户精
度/%
NDWI99.162.340.9396.5995.7898.21
MNDWI98.063.360.9093.4893.9397.41
AWEInsh99.542.140.9597.2996.8497.69
AWEIsh99.182.940.9496.7696.5397.51
TCW99.382.380.9496.6896.6398.23
WI201599.283.500.9496.9297.2297.39

新窗口打开| 下载CSV


整体上看,6种水体指数的AUC值均高于98%,Kappa系数均高于0.9,FPR均低于4%,说明水体提取效果均较好。综合多种指标分析,AWEInsh的水体提取效果最佳,AUC值达99.54%,总体精度达97.29%,Kappa系数达0.95,均高于其他水体指数; 同时具有较高的制图精度(96.84%)、较高的用户精度(97.69%)和最低的FPR(2.14%)。WI2015的提取效果次之,制图精度达97.22%,高于其他水体指数; Kappa系数达0.94,总体精度和用户精度分别达96.69%和97.39%。虽然TCW和NDWI具有较高的用户精度,但总体精度和制图精度相对较低,两者的总体精度分别为96.68%和96.59%,制图精度分别为96.63%和95.78%,表明整体上提取效果不如前者。水体提取效果最差的是MNDWI,AUC值为98.06%,Kappa系数为0.9,总体精度为93.48%,制图精度为93.39%,均低于其他水体指数。

图4为各水体指数对3类水体提取的平均制图精度。海水的制图精度均高于90%,表明6种水体指数的海水提取效果均较优。MNDWI,AWEInsh,TCW和WI2015对潮滩水体的提取效果较好,制图精度均高于90%; NDWI对潮滩水的提取效果较差,制图精度低于70%。各水体指数对陆地水体的提取效果较差,制图精度均低于80%。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   各水体指数的3种水体制图精度

Fig.4   Mapping precisions of three water bodies with different water indexes


3.3 水体提取误差分析

表5统计了各水体指数的平均水体提取误差分布情况。通过水体的错分误差分布情况,分析地表覆盖因素对水体提取效果的影响程度。各水体指数将潮滩土壤错分为水体的概率最高,均高于1.2%,说明潮滩土壤对各水体指数的提取效果影响较大。耕地土壤错分为水体的概率次之,均低于0.3%。稀疏植被、茂盛植被和建成区错分为水体的概率最小,均低于0.03%,说明这3种地表覆盖类型对水体指数的提取效果影响最小。

表5   不同水体指数的平均水体提取误差

Tab.5  Average water extraction errors of different water indexes(%)

误差地表覆盖类型NDWIMNDWIAWEInshAWEIshTCWWI2015
错分误差潮滩土壤1.3421.281.661.411.98
耕地土壤0.410.570.30.550.340.59
稀疏植被00.020.0100.020.01
茂盛植被000000
建成区0.0300.010.020.010.02
漏分误差海水0.322.880.220.260.280.18
潮滩水体0.820.110.070.220.060.11
陆地水体3.13.082.8533.042.5

新窗口打开| 下载CSV


3种水体的漏分误差表明,陆地水体的漏分误差整体较高,最高可达3.1%。MNDWI的海水漏分误差较高,达2.88%。对MNDWI的水体提取结果(图5)进行分析,发现2009年的3景影像均存在海水漏分的现象,漏分的海水像元主要集中在孤东油田和小清河口附近的近海区域。原因是这些区域的海水在短波红外波段的反射率异常高于绿波段的反射率,导致像元的MNDWI值小于最佳阈值而被划分为非水体。其他水体指数的海水漏分误差较低,范围在0.18%~0.32%之间。潮滩水体漏分误差普遍较低,范围在0.06%~0.88%之间。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   MNDWI的水体提取结果

Fig.5   Water extraction result diagrams of MNDWI


4 讨论

本文使用MODIS数据提取黄河三角洲海岸地区水体,6种水体指数都达到较好的水体提取效果。AWEInsh的提取效果最佳,其次是WI2015,提取效果最差的是MNDWI,但整体差异并不明显。MNDWI的海水提取精度低于其他水体指数,漏分误差最高,这可能受海水含沙量的影响。水体在短波红外波段的反射率随着含沙量的增加而升高[26,27],黄河水携带大量的泥沙入海之后,其泥沙扩散范围限于离海岸20 km[29],本文选取的海水样本位于离海岸15 km范围内,恰好在泥沙的扩散范围内,造成部分海水像元在短波红外波段的反射率异常高于绿波段,导致MNDWI值小于最佳阈值,从而被划分为非水体。

各水体指数对潮滩水体的提取结果与Ryu等[30]的研究结果基本符合。Ryu等选取的研究区与黄河三角洲具有一定程度的相似性,其研究结果表明短波红外和近红外波段对于潮滩水体较为敏感。研究结果与Fisher等[7]的研究存在一定的差异。Fisher等的研究结果表明AWEIsh的提取效果优于AWEInsh,这可能是由于研究区和研究数据存在差异造成的: Fisher等的研究区地形起伏较为明显; 此外,使用的是Landsat数据,与验证数据的成像时间差为0~5 d。其考虑到潮汐的影响,未选择海岸带地区的样本。而本研究中,黄河三角洲海岸的地形平缓,地形因素对水体提取效果的影响可忽略; 其次,MODIS与Landsat数据在波长宽度和空间分辨率方面存在差异,MODIS波谱范围广且单波段波长宽度较窄,造成这2种数据对同一种地表覆盖类型的反射率出现一定的差异。

5 结论

本文以淤泥质海岸典型地区——黄河三角洲海岸为研究区,使用MODIS每日反射率数据,以Landsat数据为验证数据源,对比分析6种水体指数在淤泥质海岸地区及MODIS数据的适用性。主要结论如下:

1)综合分析多种精度指标得出,AWEInsh的水体提取效果最优; WI2015次之; NDWI,AWEIsh和TCW的水体提取效果较为接近; MNDWI的水体提取效果最差。

2)各水体指数提取海水的制图精度较高; 陆地水体的制图精度较低。NDWI提取潮滩水体的制图精度较低,MNDWI,AWEInsh,TCW和WI2015提取潮滩水体的制图精度较高。

3)各水体指数的水体漏分误差主要来源于陆地水体; 潮滩水体的漏分误差较低; MNDWI的海水漏分误差高于其他水体指数。

4)通过分析各水体指数的水体错分误差分布得出,潮滩土壤对各水体指数的提取效果影响较大; 耕地土壤的影响次之; 茂盛植被、稀疏植被和建成区的影响最小。

此外,潮滩区的光谱特征分析可为今后开发适用于MODIS数据和淤泥质海岸的水体指数提供参考依据。

参考文献

水利部海河水利委员会漳河上游管理局, 河北工程大学. 遥感技术在水环境评价中的应用[M]. 北京: 中国水利水电出版社, 2015.

[本文引用: 1]

Haihe Water Conservancy Commission of the Ministry of Water Resources Zhanghe Upper Reaches Administration Bureau, Hebei University of Engineering. Application of Remote Sensing Technology in Water Environment Evaluation[M]. Beijing: China Water and Power Press, 2015.

[本文引用: 1]

Ji L, Zhang L, Wylie B .

Analysis of dynamic thresholds for the normalized difference water index

[J]. Photogrammetric Engineering and Remote Sensing, 2009,75(11):1307-1317.

[本文引用: 1]

Crist E P .

A TM Tasseled Cap equivalent transformation for reflectance factor data

[J]. Remote Sensing of Environment, 1985,17(3):301-306.

[本文引用: 2]

McFeeters S K .

The use of the normalized difference water index (NDWI) in the delineation of open water features

[J]. International Journal of Remote Sensing, 1996,17(7):1425-1432.

[本文引用: 2]

徐涵秋 .

利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究

[J]. 遥感学报, 2005,9(5):589-595.

DOI:10.3321/j.issn:1007-4619.2005.05.012      URL     Magsci     [本文引用: 2]

在对M cfeeters提出的归一化差异水体指数(NDWI)分析的基础上,对构成该指数的波长组合进行了修改,提出了改进的归一化差异水体指数MNDWI(M odified NDWI),并分别将该指数在含不同水体类型的遥感影像进行了实验,大部分获得了比NDWI好的效果,特别是提取城镇范围内的水体。NDWI指数影像因往往混有城镇建筑用地信息而使得提取的水体范围和面积有所扩大。实验还发现MNDWI比NDWI更能够揭示水体微细特征,如悬浮沉积物的分布、水质的变化。另外,MNDWI可以很容易地区分阴影和水体,解决了水体提取中难于消除阴影的难题。

Xu H Q .

A study on information extraction of water body with the modified normalized difference water index(MNDWI)

[J]. Journal of Remote Sensing, 2005,9(5):589-595.

Magsci     [本文引用: 2]

Feyisa G L, Meilby H, Fensholt R , et al.

Automated water extraction index:A new technique for surface water mapping using Landsat imagery

[J]. Remote Sensing of Environment, 2014,140(1):23-35.

[本文引用: 3]

Fisher A, Flood N, Danaher T .

Comparing Landsat water index methods for automated water classification in eastern Australia

[J]. Remote Sensing of Environment, 2016,175:167-182.

[本文引用: 4]

Sharma R, Tateishi R, Hara K , et al.

Developing superfine water index (SWI) for global water cover mapping using MODIS data

[J]. Remote Sensing, 2015,7(10):13807-13841.

[本文引用: 1]

莫伟华, 孙涵, 钟仕全 , 等.

MODIS水体指数模型(CIWI)研究及其应用

[J].遥感信息, 2007(5):16-21.

[本文引用: 1]

Mo W H, Sun H, Zhong S Q , et al.

Research on the CIWI model and its application

[J].Remote Sensing Information, 2007(5):16-21.

[本文引用: 1]

Hui F, Xu B, Huang H , et al.

Modeling spatial-temporal change of Poyang Lake using multi-temporal Landsat imagery

[J]. International Journal of Remote Sensing, 2008,29(20):5767-5784.

[本文引用: 1]

Li W B, Du Z Q, Ling F , et al.

A comparison of land surface water mapping using the normalized difference water index from TM,ETM+ and ALI

[J]. Remote Sensing, 2013,5(11):5530-5549.

[本文引用: 1]

廖程浩, 刘雪华 .

MODIS数据水体识别指数的识别效果比较分析

[J]. 国土资源遥感, 2008,20(4):22-26.doi: 10.6046/gtzyyg.2008.04.06.

Magsci     [本文引用: 1]

<p>在光谱分析的基础上，应用不同水体指数对MODIS数据进行水体信息识别,并对其应用性能进行比较分析。结果表明，混合水</p><p>体指数（CIWI）是较理想的水体识别指数。若以反射率计算，并以0为判别阈值，则该指数的提取常数C的最佳取值为-0.85。</p><p>就目前的研究成果来看，MODIS数据还不太适合用于小型水体的识别。</p>

Liao C H, Liu X H .

An effectiveness comparison between water body indices based on MODIS data

[J]. Remote Sensing for Land and Resources, 2008,20(4):22-26.doi: 10.6046/gtzyyg.2008.04.06.

Magsci     [本文引用: 1]

车向红, 冯敏, 姜浩 , 等.

2000—2013年青藏高原湖泊面积MODIS遥感监测分析

[J]. 地球信息科学学报, 2015,17(1):99-107.

DOI:10.3724/SP.J.1047.2015.00099      Magsci     [本文引用: 1]

<p>青藏高原上分布着大量的高原内陆湖泊群,该区域湖泊面积与区域及全球气候变化之间存在较强的耦合关系,遥感监测湖泊的分布和面积变化趋势,对分析区域自然生态环境具有重要意义。本研究将MOD09A1(地表反射率8 天合成数据)进行逐月合成,提出了一种综合多种水体指数的青藏高原地区湖泊提取方法,并通过活动窗口、DEM和时间序列去噪等方法,消除山体阴影、冰雪等因素的干扰。最后,提取和合成了2000-2013 年青藏高原逐年和逐月的湖泊范围,并选取色林错和卓乃湖2 个典型湖泊与人工解译Landsat 系列影像进行验证分析,其线性拟合度分别为0.99 和0.97,从时空变化趋势上分析了青藏高原湖泊面积动态变化。结果表明:(1)2000-2013 年,青藏高原地区湖泊范围整体上呈较显著的扩张趋势,湖泊总面积增加速率约为490.98 km<sup>2</sup> a<sup>-1</sup>(R<sup>2</sup>约为0.96);(2)1-12月份湖泊面积逐月变化率均大于0,表明青藏高原湖泊面积呈整体扩张,而非季节性扩张。除2-4 月份外,其他月份增加速率均在400 km<sup>2</sup> a<sup>-1</sup>以上(R<sup>2</sup> &gt;0.79),表现为稳定且持续扩张趋势。</p>

Che X H, Feng M, Jiang H , et al.

Detection and analysis of Qinghai-Tibet Plateau lake area from 2000 to 2013

[J]. Journal of Geo-Information Science, 2015,17(1):99-107.

Magsci     [本文引用: 1]

王净, 李亚春, 景元书 .

基于MODIS数据的水体识别指数方法的比较研究

[J]. 气象科学, 2009,29(3):342-347.

[本文引用: 1]

Wang J, Li Y C, Jing Y S .

Comparison and research on the different index models used in water extraction based on remote sensing data of MODIS

[J]. Journal of the Meteorological Sciences, 2009,29(3):342-347.

[本文引用: 1]

成国栋 . 黄河三角洲现代沉积作用及模式[M]. 北京: 地质出版社, 1991: 96-100.

[本文引用: 1]

Cheng G D. The Modern Sedimentation and Model of the Yellow River Delta[M]. Beijing: Geological Publishing House, 1991: 96-100.

[本文引用: 1]

时连强, 李九发, 应铭 , 等.

近、现代黄河三角洲发育演变研究进展

[J]. 海洋科学进展, 2005,23(1):96-104.

[本文引用: 1]

Shi L Q, Li J F, Ying M , et al.

Advances in researches on the Modern Yellow River Delta development and evolution

[J]. Advances in Marine Science, 2005,23(1):96-104.

[本文引用: 1]

Zhang Y .

Coastal environmental monitoring using remotely sensed data and GIS techniques in the modern Yellow River Delta,China

[J]. Environmental Monitoring and Assessment, 2011,179(1-4):15-29.

[本文引用: 1]

张旸, 陈沈良, 谷国传 .

黄河三角洲沿岸日潮区的空间分布与潮汐特征

[J]. 水动力学研究与进展, 2015,30(5):540-548.

[本文引用: 1]

Zhang Y, Chen S L, Gu G C .

Spatial extent and tidal characteristics of the diurnal tidal zone along the Yellow River Delta coast

[J]. Journal of Hydrodynamics, 2015,30(5):540-548.

[本文引用: 1]

张高生, 王仁卿 .

现代黄河三角洲生态环境的动态监测

[J]. 中国环境科学, 2008,28(4):380-384.

DOI:      Magsci     [本文引用: 2]

<FONT face=Verdana>以配准后的4 期遥感影像数据为基础,采用遥感和地理信息系统技术并结合野外调查对现代黄河三角洲林地植被、草甸植被、湿地面积进行了动态监测.结果表明,在1977~2004 年间,植被覆盖面积逐年增加,年均增加3373.68 hm<SUP>2</SUP>;其中,柽柳、芦苇、碱蓬和农田植被面积分别增加了1066.14,314.19,1128.87,5811.71 hm<SUP>2</SUP>;刺槐林面积呈波动变化.初期湿地有河流、沼泽和滩涂3 种类型,后期又增加水库、水田、池塘等人工湿地类型.受黄河来水和人类活动的影响,河流、沼泽湿地面积呈减少趋势,而水库、水田、虾池、滩涂湿地面积明显增加.</FONT>

Zhang G S, Wang R Q .

Research on dynamic monitoring of ecological environment in modern Yellow River Delta

[J]. China Environmental Science, 2008,28(4):380-384.

Magsci     [本文引用: 2]

汪小钦, 王钦敏, 刘高焕 , 等.

黄河三角洲土地利用/覆盖格局与演化分析

[J]. 水土保持学报, 2006,20(5):158-161.

[本文引用: 1]

Wang X Q, Wang Q M, Liu G H , et al.

Analysis of land use and land cover change in Yellow River Delta

[J]. Journal of Soil and Water Conservation, 2006,20(5):158-161.

[本文引用: 1]

刘玉洁, 杨忠东 . MODIS遥感信息处理原理与算法[M]. 北京: 科学出版社, 2001: 1-4.

[本文引用: 1]

Liu Y J, Yang Z D. The Principle and Algorithm of MODIS Remote Sensing Information Processing[M]. Beijing: Science Press, 2001: 1-4.

[本文引用: 1]

Vermote E F, Kotchenova S Y, Ray J P .

MODIS Surface Reflectance User’s Guide

[M]. Land Surface Reflectance Science Computing Facility, 2011.

[本文引用: 1]

Sun Z, Zhao Y, Li S .

Research on polarized remote sensing of monitoring of water pollution

[C]//International Conference on Bioinformatics and Biomedical Engineering.IEEE, 2010: 1-5.

[本文引用: 1]

Fawcett T .

An introduction to ROC analysis

[J]. Pattern Recognition Letters, 2006,27(8):861-874.

[本文引用: 1]

Robin X, Turck N, Hainard A , et al.

pROC:An open-source package for R and S+ to analyze and compare ROC curves

[J]. BMC Bioinformatics, 2011,12(1):1-8.

[本文引用: 1]

韩震 .

海岸带淤泥质潮滩和Ⅱ类水体悬浮泥沙遥感信息提取与定量反演研究

[D]. 上海:华东师范大学, 2004.

[本文引用: 2]

Han Z .

Remote Sensing Information Extraction and Quantitative Inversion Research of Silt Tidal Fiat and Suspended Sediment of CaseⅡWaters in Coast Zone

[D]. Shanghai:East China Normal University, 2004.

[本文引用: 2]

顾燕, 张鹰, 李欢 .

基于实测光谱的潮滩土壤含水量遥感反演模型研究

[J]. 湿地科学, 2013,11(2):167-172.

Magsci     [本文引用: 2]

<p>以王港潮滩为研究区，采集土壤样品，测量土样的光谱，分析不同含水量土壤的光谱特征；利用统计相关<br />法，建立TM遥感影像各波段对应波长处的光谱反射率与土壤含水量之间的关系模型。研究结果表明，在干燥<br />条件下，土壤颗粒越细小，土壤表面越光滑平整，土壤光谱反射率越高，随着土壤含水量的增加，土壤反射率呈<br />下降趋势；波长越长，土壤光谱反射率与含水量的相关性越高，其中2 220 nm处的土壤光谱反射率与含水量具<br />有最高的相关性；通过不同的波段组合，建立新的土壤含水量反演因子，其中由490 nm与2 220 nm处光谱反射<br />率的差值建立的因子与土壤含水量具有较高的相关性；由单波段与波段差值因子建立的土壤含水量反演模型<br />的预测误差分别为4.590 和5.147，反演精度较高。因此所建模型可以用于获取潮滩土壤含水量的空间分布，能<br />够为研究潮滩土壤含水量与潮滩地形地貌之间的关系提供数据支持。</p>

Gu Y, Zhang Y, Li H .

Remote sensing retrieval model on soil moisture content of tidal flat based on measured spectra

[J]. Wetland Science, 2013,11(2):167-172.

Magsci     [本文引用: 2]

任广波, 张杰, 马毅 .

黄河三角洲典型植被地物光谱特征分析与可分性查找表

[J]. 海洋环境科学, 2015,34(3):420-426.

[本文引用: 1]

Ren G B, Zhang J, Ma Y .

Spectral discrimination and separable feature lookup table of typical vegetation species in Yellow River Delta wetland

[J]. Marine Environmental Science, 2015,34(3):420-426.

[本文引用: 1]

毕乃双, 杨作升, 王厚杰 , 等.

黄河调水调沙期间黄河入海水沙的扩散与通量

[J]. 海洋地质与第四纪地质, 2010,30(2):27-34.

[本文引用: 1]

Bi N S, Yang Z S, Wang H J , et al.

Characteristics of dispersal of the Yellow River water and sediment to the sea during water-sediment regulation period of the Yellow River and its dynamic mechanism

[J]. Marine Geology and Quaternary Geology, 2010,30(2):27-34.

[本文引用: 1]

Ryu J H, Won J S, Min K D .

Waterline extraction from Landsat TM data in a tidal flat:A case study in Gomso Bay,Korea

[J]. Remote Sensing of Environment, 2002,83(3):442-456.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发